یک الگوریتم کارآمد مبتنی بر فیلتر ذرهای و الگوریتم ژنتیک جهت ردیابی اجسام متحرک (IKT2017)

فیلتر ذرهای یک ابزار قوی برای ردیابی بصری است که مبتنی بر چارچوب زنجیره مونتو کارلو است. در این مقاله قصد داریم جهت رفع مشکل فقر نمونه ناشی از فرآیند بازنمونهبرداری، افزایش دقت و سرعت فیلتر ذرهای، یک الگوریتم ترکیبی کارآمدی در تصاویر ویدیویی با استفاده از الگوریتم ژنتیک و ویژگی رنگ و بافت ارایه دهیم. به منظور بهبود عملکرد سیستم از یک مدل مشاهدهای مناسب استفاده میشود. در روش پیشنهادشده، پس از انتخاب شیء مورد نظر برای ردیابی، تعداد محدودی ذره حول مرکز شیء انتخابشده پراکنده میشود که هر ذره دو ویژگی بافت و رنگ را با تشکیل پنجرهای به مرکزیت خودش از تصویر دریافت میکند. سپس وزن ذرات نسبت به مدل ابتدایی بر اساس بهترین ذره انتخابشده، محاسبه میشوند. تعداد ذراتی که شباهت بیشتری به مدل ابتدایی دارند از وزن بیشتری برخوردارند. در مرحلهی بازنمونهبرداری با استفاده از الگوریتم ژنتیک، ذرهای که دارای بیشترین وزن باشد به عنوان نقطه بعدی انتخاب میشود، سپس مرکز مستطیل به نقطه جدید انتقال داده میشود و ذرات حول نقطه جدید پراکنده میشود. با ورود فریم بعدی، مراحل فوق برای محاسبه وزن ذرات جدید تکرار میشوند. به عنوان نوآوری در این تحقیق از ایده پارتیشن بندی استفاده شده است. پارتیشن بندی قدرت، دقت و کارآیی روش پیشنهادی RPFGA را افزایش داده و تعداد ذرات را کاهش میدهد و این امر سبب کاهش زمان پردازش هر قاب، کاهش زمان پردازش کل قابها در فرآیند ردیابی و افزایش سرعت روش پیشنهادی RPFGA میشود. با بررسی نتایج آزمایش ها مشاهده می شود که رویکرد ترکیبی پیشنهادی در مقایسه با فیلتر ذرهای در مواجهه با چالش های ردیابی شامل هم پوشانی کامل و جزیی، تغییرات روشنایی، تغییرات مقیاس شیء، حرکات سریع و ناگهانی و تشابه رنگ هدف و پس زمینه با تعداد ذرات کمتری از هر دو جنبه دقت و زمان ردیابی بسیار بهتر عمل کرده و نشان میدهد که روش پیشنهادی عملکرد بهتری نسبت به فیلتر ذرهای دارد .

Keywords:

الگوریتم ژنتیک , بازنمونه برداری , پارتیشن بندی , ردیابی شیء , فقر نمونه , فیلتر ذرهای